尝试不同的阈值选择方法，实现灰度图像二值化；程序提供

灰度图像二值化是一种常见的图像处理步骤，其目的是将图像转换为只有两种颜色（通常是黑和白）的形式，以便于进一步的分析和处理。二值化的关键在于选择合适的阈值，该阈值用于决定像素的灰度值是否足够高或足够低，从而将其归类到黑色或白色。

有几种常见的阈值选择方法：

1. **全局阈值法**：这种方法使用整个图像的平均灰度值作为阈值。如果像素灰度值大于或等于这个阈值，则认为是白色，否则是黑色。

double globalThreshold = image.flatten().mean();
image = (image >= globalThreshold).astype(bool);

2. **自适应阈值法**：这种情况下，每个像素的阈值根据其周围邻域的灰度分布动态确定。例如，Otsu算法就是一个常用的自适应阈值选择方法，它试图找到分割前后两类像素方差最小的那个点。

Mat adaptiveThreshold = new Mat();
threshold(image, adaptiveThreshold, 0, 255, THRESH_BINARY_INV + THRESH_OTSU);

3. **滑动窗口法**：使用固定大小的窗口对图像进行局部扫描，计算每个窗口内的平均值，然后设置阈值为窗口内最接近的灰度值，确保边缘信息得以保留。

for (int y = 0; y < height - windowSize; y++) {
    for (int x = 0; x < width - windowSize; x++) {
        double localThreshold = average(image.submat(y:y+windowSize, x:x+windowSize));
        // 根据localThreshold调整当前位置的像素
    }
}

4. **分水岭算法**：虽然不是直接二值化，但可以通过分水岭变换先分离前景和背景，再提取边界，间接达到二值化效果。

对于以上每种方法，都需要根据具体应用场景和图像特征进行调整。在编写程序时，你可以先尝试简单的全局阈值，然后逐步引入更复杂的方法，看看哪种能够得到最好的结果。